SAF-CNN:面向嵌入式FPGA的卷积神经网络稀疏化加速框架

传统的卷积神经网络加速器及推理框架在资源约束的FPGA上部署模型时,往往面临设备种类繁多且资源极端受限、数据带宽利用不充分、算子操作类型复杂难以适配且调度不合理等诸多挑战.提出一种面向嵌入式FPGA的卷积神经网络稀疏化加速框架(sparse acceleration framework of convolutional neural network, SAF-CNN),通过软硬件协同设计的方法,从硬件加速器与软件推理框架2个角度进行联合优化.首先, SAF-CNN构建并行计算阵列,并且设计并行编解码方案,实现单周期多数据的传输,有效减少通信代价.其次,设计细粒度结构化块划分剪枝算法,于输入通道维度进行块内裁剪来获得稀疏且规则的权重矩阵,借此显著降低计算规模和DSP乘法器等资源占用.然后,提出一种兼容深度可分离卷积的输入通道维度动态拓展及运行时调度策略,实现输入通道参数灵活适配与逐通道卷积和逐点卷积的资源复用.最后,提出一种计算图重构及硬件算子融合优化方法,提升硬件执行效率.实验采用2种资源受限的低端FPGA异构平台Intel CycloneV与Xilinx ZU3EG,结果表明SAF-CNN加速器可分别实现76.3GOPS与494.3GOPS的计算性能.与多核CPU相比,SAF-CNN在进行SSD_MobileNetV1目标模型检测时,可实现3.5倍与2.2倍的性能提升,模型推理速度高达26.5fps.

FAQ-CNN:面向量化卷积神经网络的嵌入式FPGA可扩展加速框架

卷积神经网络(convolutional neural network, CNN)模型量化可有效压缩模型尺寸并提升CNN计算效率.然而,CNN模型量化算法的加速器设计,通常面临算法各异、代码模块复用性差、数据交换效率低、资源利用不充分等问题.对此,提出一种面向量化CNN的嵌入式FPGA加速框架FAQ-CNN,从计算、通信和存储3方面进行联合优化,FAQ-CNN以软件工具的形式支持快速部署量化CNN模型.首先,设计面向量化算法的组件,将量化算法自身的运算操作和数值映射过程进行分离;综合运用算子融合、双缓冲和流水线等优化技术,提升CNN推理任务内部的并行执行效率.然后,提出分级编码与位宽无关编码规则和并行解码方法,支持低位宽数据的高效批量传输和并行计算.最后,建立资源配置优化模型并转为整数非线性规划问题,在求解时采用启发式剪枝策略缩小设计空间规模.实验结果表明,FAQ-CNN能够高效灵活地实现各类量化CNN加速器.在激活值和权值为16 b时,FAQ-CNN的加速器计算性能是Caffeine的1.4倍;在激活值和权值为8 b时,FAQ-CNN可获得高达1.23TOPS的优越性能.

共情护理对老年肿瘤患者抑郁、焦虑情绪的影响

目的探讨共情护理对改善老年肿瘤患者焦虑与抑郁情绪的影响。方法随机选取本院2019年4月—9月收治的80例老年肿瘤患者为研究对象,将患者分为研究组和对照组,各40例。给予对照组患者常规护理,研究组患者在常规护理基础上实施共情护理。比较两组患者的焦虑(SAS)、抑郁(SDS)评分及护理满意度。结果研究组患者的SAS评分和SDS评分均显著低于对照组,且护理满意度显著高于对照组,差异均有统计学意义(P<0.05)。结论共情护理能有效改善老年肿瘤患者的焦虑、抑郁情绪,提高对护理工作的满意水平。

慢性病轨迹框架的综合性护理在结直肠癌化疗患者的应用

目的 探讨慢性病轨迹框架的综合性护理在结直肠癌化疗患者中的应用。方法 回顾性分析本院2018年6月~2021年12月收治的结直肠癌患者106例。按不同护理干预方式分为对照组(n=51,常规护理)与研究组(n=55,慢性病轨迹框架的综合性护理)。比较两组心理状况、生活质量及护理满意度。结果 两组护理后SAS、SDS评分均较护理前下降,且研究组上述评分均明显低于对照组(P <0.05)。护理后,两组角色、认知、情绪、躯体及社会功能均较护理前增高,且研究组明显高于对照组(P <0.05)。研究组护理满意度为92.73%,对照组的74.51%(P <0.05)。结论 对结直肠癌化疗患者进行慢性病轨迹框架的综合性护理干预可有效改善其心理状况,提高生活质量与护理满意度。